基于改进免疫遗传算法的近红外光谱变量选择方法

该文在免疫遗传算法（IGA）的基础上，提出一种改进免疫遗传算法（iIGA）用于近红外光谱波长变量的选择。该算法舍去了原算法中固定抗体相似度阈值的思想，取而代之的是抗体相似度阈值自适应，同时引入精英保留策略和贪心算法思想，使得算法朝着正确的方向进行局部性探优。将该算法在玉米的淀粉和蛋白质含量数据集上进行实验测试，建立偏最小二乘（PLS）分析模型，并与IGA、遗传算法（GA）以及全谱方法进行了对比。结果表明，在玉米淀粉含量的预测上，iIGA相较于原IGA算法，预测集均方根误差（RMSEP）从0.312 0降至0.298 0，预测集预测精度提升4.5%；在玉米蛋白质含量的预测上，RMSEP从0.124 4降至0.110 3，预测集预测精度提升11.3%。分别对预测淀粉和蛋白质模型的RMSEP值进行显著性检验，F值分别为165.22和182.05，P值分别为9.5 × 10－23和4.5 × 10－24，P值均小于0.05，因此，iIGA能显著提升模型预测精度。

Selection of Near Infrared Spectral Wavelength Variables Based on Improved Immune Genetic Algorithm